本文提出了基于多层次评价维度的评分系统，并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集，证明了该模型的可行性及在现实世界数据上的可扩展性。此外，该模型能够自动学习与特定方面相关的内容词和情感词，从而将评论文本中的内容和情感信息分离开来。

Oct, 2012

本文使用 16 种不同的特征提取方法（包括 unigrams、bigrams、trigrams 和潜在语义索引）和 4 种机器学习算法（包括逻辑回归、朴素贝叶斯分类、感知器和线性支持向量分类）将评论评级预测视为多类分类问题，并分析了每种模型的性能，从而提出了最佳模型。使用 Yelp 数据集来训练和测试模型。

May, 2016

本研究通过分析多个方面的包括食品和服务等的用户生成的在线评论，使用观察数据识别并估计各方面的因果效应，并提出了一种利用多模态变量的方法，如消费者个人信息和消费者与企业之间的互动，以克服隐变量存在的挑战。实证评估表明该方法的有效性并为用户提供了可行的深层次的洞见。

Dec, 2021

论文旨在通过开发一种潜在因素推荐系统，建立在考虑用户个人经验水平的基础上，实现更好的商品推荐效果，并运用在包括啤酒、葡萄酒、美食和电影在内的 1500 万多个点评数据上进行了验证。

Mar, 2013

通过对用户评论中的文本进行分析判断，本研究尝试对推荐系统的改进方案进行探讨，发现过去论文中的实验结果存在一定的差异，因此需要对数据预处理和实验设置进行规范化。研究表明，在一些特定的设置中，当前先进的算法并未比传统算法表现更优秀，作者总结出哪些条件下用户评论将对系统推荐更有帮助，并对推荐系统所应发展的方向提出建议。

May, 2020

该研究提出一个新的基于机器学习的声誉系统，通过消费者个人资料的预测信誉度来计算产品声誉分数，该模型已在三个基准数据集上进行了评估，并与先前发布的评级聚合模型进行了比较。研究结果表明该方法可能是解决声誉系统问题的潜在解决方案，同时可与在线推荐系统集成以提供更好的购买建议。

Sep, 2022

本文研究如何使用数据挖掘、自然语言处理技术和本体论来提取产品方面和用户意见，并使用频繁（标记）集，讨论了提出的框架能够提取评论中所有可能的方面和意见，并通过相似性分组代表性方面，并生成输出摘要。该框架与现有基线模型相比，得到了有希望的结果。

Apr, 2014

本文提出了一种新的神经网络框架来编码用户和产品信息，并通过注意力机制将两种信息结合起来进行训练和预测，在 IMDB 和 Yelp 的数据集上显著优于其他最先进的方法。通过对用户或产品相关单词的注意力可视化，验证了对两种信息在情感分类中起着不同作用的观察结果。

Jan, 2018

该论文研究了将历史评论文本和用户 / 产品信息纳入情感分析模型，通过强制模型记住有关特定用户和产品的所有评论，通过舍弃分层的架构来使文本中的单词直接彼此关注。在 IMDB、Yelp2013 和 Yelp2014 数据集上的实验结果表明，该方法在某些情况下可以实现超过 2％的现有最佳结果的提升。

Nov, 2020

使用混合专家框架，本文旨在自动学习如何判断一个产品评论是否与给定查询相关，并在一个包括 1.4 百万个问题和答案以及 13 百万个评论的语料库上评估我们的系统，Moqa，并表明它对于处理二元和开放性查询都有效，在定性研究中还展示了这个系统能够提供人工评估认为相关的评论。

Dec, 2015